人工智能
皇德华叫兽
专注于人工智能,智能交通,智慧城市!
展开
-
基于图神经网络的归纳矩阵补全
Inductive Matrix Completion Based on Graph Neural Networks参考文献Inductive Matrix Completion Based on Graph Neural Networks - ICLR 2020〇、相关工作1、Graph Neural Network图神经网络(GNNs)是一种用于在图形上学习的新型神经网络。主要分为两种类型:Node Level GNNs和Graph Level GNNs。Nodelevel GN.原创 2020-10-30 22:15:12 · 2611 阅读 · 2 评论 -
【2020顶会www】STGRAT 用于交通预测的时空图注意网络
概述由于道路类型不同、速度突变和道路之间的空间依赖关系,预测道路交通速度是一项具有挑战性的任务,需要对长时间输入序列中动态变化的道路之间的空间依赖关系和时间模式进行建模。提出了一种新的时空图注意(STGRAT)方法,有效地捕捉了道路网络中的时空动态。该方法的特点主要包括空间注意、时间注意和空间哨点向量。空间注意力获取图形结构信息(如道路之间的距离),根据道路状态动态调整空间相关性。时间注意力负责捕获交通速度变化,而哨点向量允许模型从空间相关的节点检索新的特征或保留现有的特征。实验结果表明,STGR...原创 2020-09-12 22:18:36 · 1175 阅读 · 1 评论 -
【2020顶会KDD】一种基于邻域的异构图推荐交互模型
题目:An Efficient Neighborhood-based Interaction Model for Recommendation on Heterogeneous Graph文章作者信息:预览摘要:由于异构信息网络(HIN)能够表征复杂的图形,并且包含丰富的语义。近年来,HIN被广泛应用于推荐系统中。然而,现有的方法虽然提高了性能,但在实际应用中仍存在以下问题:一方面,大多数现有的基于HIN的方法依赖于显式路径可达性来利用用户和项目之间基于路径的语义关联,例如基..原创 2020-09-12 14:15:18 · 1070 阅读 · 0 评论 -
【2020顶会www】基于时空图神经网络的交通流预测
概述交通流分析、预测和管理是新时期建设智慧城市的关键。借助深层神经网络和大交通数据,我们可以更好地了解隐藏在复杂交通网络中的潜在模式。一条道路交通流的动态不仅在时间维度上依赖于序列模式,在空间维度上也依赖于其他道路。虽然已有预测未来交通流的研究工作,但大多数研究在建模空间和时间依赖性方面存在一定的局限性。本文提出了一种新的交通流预测空间时态图神经网络,它能全面地捕捉空间和时态模式。特别是,该框架提供了一个可学习的位置注意机制,以有效地聚集来自邻近道路的信息。同时,为交通流动态建模提供了时序组件,利...原创 2020-09-11 17:18:46 · 2596 阅读 · 3 评论 -
【2020顶会KDD】AutoST:面向时空预测的高效神经网络学习模型
题目:AutoST: Efficient Neural Architecture Search for Spatio-Temporal Prediction文章作者信息:预览摘要:时空(ST)预测(如人群流预测)在城市规划、智能交通和公共安全等一系列智慧城市应用中具有重要意义。近年来,人们提出了许多深度神经网络模型来进行准确的预测。然而,手动设计神经网络需要花费大量的精力和时空领域的专业知识。如何自动建立一个通用的神经网络来处理城市中的各种时空预测任务?在本文中,作者研究了时..原创 2020-09-11 11:42:55 · 2315 阅读 · 1 评论